Nov, 2014

基于核化局部敏感哈希的大规模图像检索改进研究

PDF
TL;DR本文提出了一种针对核化局部敏感哈希（KLSH）的简单而强大的重新解释方法，该方法是在投影空间中查看 KLSH 算法步骤的基础上实现的，并具有几个关键的理论和实际优点，包括消除 KLSH 的现有动机中存在的问题，获取 KLSH 的首个正式检索性能界限，利用改进的技术提高 KLSH 的经验性能，并在几个大规模基准图像检索数据集上进行了评估，表明该分析可至少提高 12% 的召回率性能，并且有时比标准 KLSH 方法高得多。
发现论文，激发创造
  • 核化哈希码表示法用于关系提取

    本文介绍一种将 Kernel 方法和 KLSH 技术相结合用于 NLP 结构分类的方法，并在生物医学关系提取数据集上进行了实验，结果表明该方法具有很好的准确性和高效性。

    Nov, 2017

  • 密度敏感哈希

    提出了一种名为密度敏感哈希（DSH）算法，它是局部敏感哈希（LSH）的扩展，利用数据的几何结构避免了纯随机投影的限制，并在大规模高维数据搜索中取得更好的性能。

    May, 2012

  • 具有理论保证的快速局部敏感哈希

    通过随机抽样和随机投影的组合，FastLSH 算法将 LSH 计算的时间复杂度从 O (n) 降低到 O (m)（其中 m < n），并具有可证明的 LSH 属性，是一种有希望替代经典 LSH 方案的方法。

    Sep, 2023

  • 通过张量化的随机投影来改进 LSH

    提供了一种基于 CP 和 tensor train (TT) 分解技术的 LSH 方法，适用于欧几里得距离和余弦相似度的张量数据，具有空间高效性。

    Feb, 2024

  • LSH 能否被神经网络取代？

    利用深度神经网络 (LLSH) 代替传统的局部敏感哈希函数族，该方法能够高效灵活地将高维数据映射到低维空间，并在同时减少时间和内存消耗、保证查询准确性方面展示了可行性，为开发人员设计和配置数据组织提供了新思路，以提高信息搜索性能。通过在不同类型数据集上进行广泛实验，验证了该方法在查询准确性、时间消耗和内存使用方面的优越性。

    Oct, 2023

  • DeepLSH：深度局部敏感哈希学习用于快速高效的近似崩溃报告检测

    本文研究了如何利用局部敏感哈希（LSH）来解决软件开发过程中自动故障分组的问题，并介绍了 DeepLSH，一种 Siamese DNN 架构和原始损失函数，以逼近 Jaccard 和 Cosine 度量的局部敏感性特性，并通过一系列实验验证了这一方法。

    Oct, 2023

  • 用本地优化哈希进行 Web 规模视觉搜索、推荐和聚类

    本文提出了一种新的哈希相似匹配方案 —— 局部优化哈希（LOH），该方案是基于一种最先进的量化算法的。LOH 可用于高效的大规模搜索、推荐、聚类和去重。我们进一步展示了 LOH 的应用：a）大规模搜索任务中，性能与其他最先进的哈希方式相当；b）大规模推荐中，可使用由数千幅图像组成的查询，从数亿图像的集合中生成准确的推荐；c）利用基于图形的算法进行高效聚类，该算法可在分布式环境中扩展到海量收藏品，或用于小集合的去重，如搜索结果，其性能优于传统哈希方案，仅需几毫秒运行。在本文中，我们在最多 1 亿张图片的数据集上进行实验，但实际上我们的系统可以扩展到更大的收藏品，并可用于在欧几里得空间中具有向量表示的其他类型的数据。

    Apr, 2016

  • 基于私有设备局部敏感哈希的大规模分布式学习

    使用新的哈希函数族，开发第一个在设备上具有私密性、个性化和内存效率高的局部敏感哈希框架，实现了隐私和个性化，能够与其他 LSH 框架相竞争，训练大规模推荐网络。

    Jun, 2023

  • 一种置换哈希方法的密集性改进

    本文提出了一种新的稠密化策略，使 $(K,L)$ 参数的局部敏感哈希 (Locality Sensitive Hashing) 的 minwise 哈希算法在查询处理成本上从 $O (dKL)$ 降至仅 $O (d + KL)$，针对非常稀疏的数据集，该改进的技术表现更好，并且在查询处理成本上与现有程序相同。

    Jun, 2014

  • 空间感知图像检索：一种用于高效相似哈希的超维度计算方法

    我们提出了一种创新的图像哈希方法 NeuroHash，它利用高维计算将空间信息符号编码为高维向量，从而实现空间感知有条件的图像检索。我们的方法将预训练的大型视觉模型与 HDC 操作相结合，实现了空间编码的特征表示。基于局部敏感哈希（LSH）的哈希技术确保了快速高效的图像检索，评估结果显示了图像哈希方法的新进展，提高了检索准确性。

    Apr, 2024